电容式传感器测量动态容器中液位的方法研究

陆贵荣，朱　睿，陈树越

（1.常州大学　信息科学与工程学院，江苏　常州　213164；2.常州市过程感知与互联技术重点实验室，江苏　常州　213164）

电容式传感器测量动态容器中液位的方法研究

陆贵荣1，2，朱睿1，陈树越1，2

（1.常州大学信息科学与工程学院，江苏常州213164；2.常州市过程感知与互联技术重点实验室，江苏常州213164）

文章提出了一种测量动态容器中液体液位的实用传感方法；该法采用了一种新的传感器结构，它主要由装在圆柱形框架内壁的3个电极构成；在不同液位下，采集容器不同倾向倾角时电极之间电容值并送入径向基网络进行训练，构建网络模型应用于实际液位测量；研究结果证明所设计的传感器及其数据融合方法可以在容器不同倾向倾角状态下均能对同一液位正确评价，体现出良好的应用前景。

液位测量；电容式传感器；径向基网络；动态容器；方法研究

0　引言

液位测量传感器多种多样，如浮子式传感器、电容式传感器、差压式传感器和超声波传感器等［1］。一般来说，传统的液位传感器往往用于测量静态垂放状态下容器中液体液位，但当在测量过程中容器处于动态即或静态垂放或倾斜时，容器中液体的情况将会改变［2］。因此，使用传统传感测量液位变得困难，在实际应用中，流行的测量方法是省略容器倾斜引起的误差或者是使用额外的补偿装置［3］。

径向基神经网络作为一种具有良好的曲线拟合能力的数据处理工具，被应用于地下水位预测中。也有文献中将降雨、径流和人工开采量作为输入变量，对研究区域内的承压水位埋深进行预测，将1984～2001年的数据用于径向基网络模型训练，2002～2005年的数据用于模型的验证，最后对2006～2023年共18年的地下水位埋深进行预测，结果表明，径向基神经网络模型对20年左右的数据序列有较好的预测效果，且根据降雨、径流和开采量，能较准确的预测地下水位埋深［6］。

基于上述研究背景，一种新的传感器结构及其数据处理方法被提出，该方法通过测量每两个电极之间的电容变化，应用径向基神经网络分析实验数据，获得动态容器中的液位值。

1　结构和原理

为了实现液位测量目标，新传感器结构被提出如图1所示，一个塑料管被用作传感器框架，3个大小相同的长方形铜片作为3个电极自上而下粘贴到塑料管内壁上，另外一铜片被用作传感器屏蔽层贴在塑料管外面。

图1　传感器结构示意图

论文提出的液位测量原理如图2所示。在这个过程中，先测量电容值C1、C2和C3，然后通过径向基神经网络来拟合液位值，图中，L、D、A和Lo分别为液位信息、容器的倾向、容器的倾角及估测液位；C1、C2和C3分别代表电极1、2间、电极1、3间及电极2、3之间的电容值。

采用的径向基神经网络是具有三层结构的前向网络，分别为输入层、隐含层和输出层，其结构如图3所示。图中C1、C2和C3分别为输入向量，φ1，φ2…φN是隐含层的第n（n=1，2…N）个神经元的输出，w1o，w2o，wNo是隐含层N 维向量的每个分量对应的权值，Lo是输出层的输出值。

图2　传感器的测量原理

图3　径向基网络结构

由于拟合值是容器中的单一液位参数，故图3中输出层的神经元个数为1。隐含层神经元个数与非线性映射能力有关，一般来说，隐含层节点越多，网络的非线性映射能力越强。当达到恰当的节点个数时，增加的神经元节点就对提高网络精度没有太大的帮助了，反而在计算时增加了运算量，因此，隐含层神经元个数需要通过经验和实验确定。输入层神经元节点数与映射模型有关，论文采用影响液位的3个因素作为自变量，分别为C1、C2和C3，形成的函数关系如表达式（1）所示。

Lo=F（C1，C2，C3）（1）利用径向基网络对液位进行测定的详细步骤如图4所示。

图4　测定液位步骤

图4中定义样本是实验的首要步骤，主要标定传感器采集的在不同倾向倾角上的C1、C2和C3值以及相对应的容器内液体液位值。将数据划分为两类即训练数据和测试数据，训练数据用来创建并确定径向基网络模型，训练神经网络往往需要大量的样本，在样本数据有限的情况下，可以采用二维插值法扩充样本数据，由此得到的神经网络模型更加可靠，能更好的模拟输入与输出之间的函数关系。测试数据则是用来验证训练好的径向基网络能否在任意给定C1、C2和C3值时，输出正确的液位评价值。若测试结果误差较大，则修改神经网络参数，直到输出值与实际值的误差在允许的要求范围内。

最后创建并训练完成的径向基网络便可以应用于实际测量。未知液位对应的C1、C2和C3可由测量电路获取，然后输入C1、C2和C3至径向基网络，从而评价出该未知液位。

表1　液位训练样本数据实测表

2　实验

为了获取传感器在不同条件下的输出，实验使用柴油作为液体样本，在环境温度为25℃的条件下得到实验数据如表1所示，所有数据均由HP公司生产的4284A LCR表测得。实验具体步骤为：选择3个液体样本校准液位L（25、50和75毫米）。每个校准液位下，沿如图5所示的4个不同方向X+、X-、Y+和Y-测量样本数据，在每个方向上，传感器倾角选择0、10、20、30和40度。

图5　传感器实验倾斜方向（俯视图）

（1）根据表1定义训练样本的输入向量及输出向量。输入向量为3×44的矩阵，输出为1×44的行向量。

（2）训练样本插值。为了充分利用训练样本，对44份训练样本进行二维插值，将样本数增加到100份。先将训练输入向量与对应的目标输出值合并为一个4×44矩阵，经过插值，得到4×100矩阵，最后将其拆分为3×100的输入向量矩阵和1×100的输出向量。

（3）使用newrb函数创建径向基神经网络。径向基函数语法格式如下：

net=newrb（P，T，goal，spread，MN，DF）

P、T分别为输入矩阵和输出矩阵，goal为均方误差，spread表示径向基函数扩散速度，MN为隐含层节点个数，DF是一个控制显示级别的参数，默认值为25。除了P、T外，其他参数都是可以灵活选择的，在这里设置goal=0，spread =10，MN=50。调用这个函数，系统将会依次增加神经元个数，使训练误差减小，直到误差小于goal。误差下降曲线图如图6所示。

图6　误差下降曲线图

（4）测试。使用创建好的径向基网络模型对测试样本进行检测。为了验证径向基网络模型可行性，用其他实验数据进行检测，在液位设定值为40和60 mm条件下，传感器倾向图7中D2方向，在不同倾斜角度下测量C1、C2和C3值并使用径向基网络评价液位值，测试数据如表2所示。

图7　测试选择的倾斜方向（俯视图）

表2　液位测试样本数据实测表

价值和真实值之间的对比，计算最大相对误差值为1.5%，可以看出径向基网络的预测效果良好。当液体容器中的液位固定不变时，评价的液位值接近液位的真实值，两者几乎重合，液体容器的倾斜角度和倾斜方向对该传感器几乎没有影响。

3　结果与讨论

图8显示传感器在不同液位及倾向倾角条件下的响应结果非常令人满意。在每一个液位下，测试结果几乎是与倾向倾角无关的直线。分析实验存在的一些误差，估计其主要来自两个方面，一是传感器由手工制作，所以3个电极的对称是有限的，并且每两电极板之间的距离也不完全相同。另一个是实验方法，如实验过程中液位、倾斜角度和倾斜方向使用的准确性。除此之外实验过程中还存在随机误差和计算误差，这些均可通过提高测量系统的准确性和精确工艺加工进一步抑制。

图8　液位设定值与评价值比较图

在这项研究中，最重要的一点是如何获得最佳径向基网络。因此，需要更丰富的训练样本来改善网络。在研究中，传感器是在恒温条件下进行测试，而在实际应用中温度是一个重要影响因素，因此，进行温度补偿是必要的，这也是团队将来的工作。

4　结论

论文提出了一种容器处在不同倾斜方向和倾斜角度下测量液位的新方法。为了实现这个目标，研制了一种实用、结构简单的传感器。该传感器由紧密粘贴在塑料管内壁的3个长方形铜片作为敏感元件，根据液位和各铜片间电容之间的函数关系以及具有良好曲线拟合能力的径向基网络，实现了动态容器中未知液位的评价。样品液位测试证明了所提出方法的可行性，它预示着该方法完全可以用于某些特殊生产过程的液位测量。

［1］郭伟，陈琛，陆振宇.一种改进型动态矩阵控制在水箱液位系统中的应用［J］.计算机测量与控制，2015，23（5）：1563-1567.

［2］徐绍勇，龚磊.倾斜对汽车罐车液位测量的影响与修正［J］.中国化工贸易，2012，（4）：155-156.

［3］Jianguo Yang，Guang Wu.Smart sensor system［M］.Electronic University Press，2000.

［4］陈明等.MATLAB神经网络原理与实例精解［M］.北京：清华大学出版社，2013.

［5］任林.基于RBF ARX模型的预测控制在液位系统中的应用［J］.计算机测量与控制，2012，20（1）：81-84.

［6］董艳慧，周维博，卜卿等.RBF网络在西安渭滨地下水位埋深预测中的应用［J］.节水灌溉，2012，（12）：66-69.

Method Research for Measuring Liquid Level in Dynamic Container with a Capacitive Sensor

Lu Guirong1，2，Zhu Rui1，Chen Shuyue1，2
（1.School of Information Science and Engineering，Changzhou University，Changzhou213164，China；2.Key Laboratory for Process Perception and Interconnected Technology，Changzhou213164，China）

In this paper，a practical sensing approach for monitoring the liquid-level in a container is presented.In order to realize the method，a new structure sensor has been developed.The sensor consists of three electrodes installed on the inner wall of the cylindrical body. The capacitances between electrodes are determined in container under different incline condition and sent into RBF network for training.A network model has been got and applied to estimate a known liquid-level.The result of this research proves that the designed sensor and data fusion method can be used to measure the liquid-level in the container unrelated to inclination.The method shows good application prospect.

liquid level measurement；capacitive sensor；RBF network；dynamic container；method research

1671-4598（2016）05-0014-04

10.16526/j.cnki.11-4762/tp.2016.05.005

TP212

A

2015-10-10；

2015-12-07。

国家自然科学基金项目（51176016）；江苏省产学研联合创新资金（BY2014037-11）。

陆贵荣（1968-），男，甘肃定西，博士，副教授，主要从事传感器技术、电子、仪表等领域的教学科研方向的研究。

陈树越（1963-），男，河北定州人，博士，教授，主要从事图像处理方向的研究。